本发明属于生物医学工程和机器学习技术，尤其是一种基于多任务学习网络的自闭症诊断及严重程度评估方法，应用于自闭症的诊断和严重程度评估的多任务学习方法。
背景技术：
1、在现代医学研究与诊断技术中，脑电图(electroencephalogram,eeg)作为一种监测和记录大脑电活动的方法，已广泛用于神经系统疾病的诊断。相较于其他神经成像技术，如磁共振成像或计算机断层扫描等，脑电图具有无创、成本低廉、反应速度快等优点。尤其在处理时间分辨率要求高的场景中，脑电图能提供毫秒级的时间分辨率，这使得它能够捕捉到快速变化的脑电活动，为研究大脑功能和监测神经活动提供重要工具。
2、自闭症谱系障碍是一种复杂的发展性障碍，表现为社交互动和沟通能力的障碍以及重复的行为和兴趣。传统的诊断方法通常依赖行为评估和临床观察，这些方法往往耗时长，且结果主观性较强。研究显示，自闭症患者的脑电图在某些频段活动上存在显著差异。利用脑电图不仅可以辅助诊断自闭症，还可以评估病情的严重程度，对研究自闭症的神经生理基础具有重要意义。
3、传统的脑电图分析方法主要依赖于频谱分析和波形识别，这些方法虽然在一定程度上有效，但仍面临识别复杂脑电模式的局限性。随着机器学习和人工智能技术的发展，基于深度学习的脑电信号分析为提高自闭症诊断的准确性和效率提供了新的可能。而在传统单任务学习模式中存在过拟合和数据不足问题，给高性能的诊断评估带来困难。对于自闭症的诊断和严重程度评估虽然是两个不同的任务，但它们本质上都与患者的脑电活动模式密切相关。
4、因此，有必要研发一种基于多任务学习网络的自闭症诊断及严重程度评估方法，在学习诊断自闭症的同时，额外从严重程度评估任务中获得辅助信息，从而提升两个任务的性能。
技术实现思路
1、本发明需要解决的技术问题是提供一种基于多任务学习网络的自闭症诊断及严重程度评估方法，通过训练一个能够同时执行多相关任务的模型，在不同任务之间有效地传递和利用信息，为自闭症的诊断和严重程度评估提供一个全新的视角和技术路径。
2、为解决上述技术问题，本发明所采用的技术方案是：
3、一种基于多任务学习网络的自闭症诊断及严重程度评估方法，包括以下步骤：
4、s1：脑电信号采集及数据预处理，采用非侵入式脑电帽采集受试者在无约束的自然状态下的多通道的脑电信号，并对脑电信号进行伪迹剔除，然后将处理后的多通道脑电信号进行矩阵编码转换；
5、s2：基于混合型融合网络的脑电特征提取，设计一个基于门控单元的inception-bigru(bidirectional gated recurrent unit)网络，通过融合inception网络分支和bigru网络分支特征，更好地捕获脑电信号中的空间特征和时序特性；
6、s3：基于知识蒸馏的多任务处理模块设计，包括自闭症诊断与自闭症严重程度评估的多任务处理分支设计，实现从高级任务(自闭症严重程度评估)到基础任务(自闭症诊断)的多任务实现；
7、s4：损失函数优化设计，基于自注意力模块，对两个分支任务动态分配损失函数的权重，进行自适应的调整与互学习；
8、s5：设置模型训练的初始超参数，使用训练集和验证集对模型进行迭代训练，保存最优权重模型。将最优权重模型载入到网络中，对测试集数据进行自闭症的诊断与严重程度评估。
9、本发明技术方案的进一步改进在于：s1中，构造基于调制深度熵引导的自适应滤波技术对脑电信号进行伪迹剔除，并进行矩阵编码。具体包括以下步骤：
10、s1.1：对眼电、心电、肌电等伪迹剔除。使用带通滤波器去除eeg信号中高频和低频的噪声成分，保留0.5hz到50hz的有关大部分脑电活动的频段。然后设计一种基于调制深度熵引导的自适应滤波方法量化脑电信号中伪迹的复杂性和不规则性，根据熵值自适应调整滤波器参数，以达到最佳伪迹抑制效果。
11、s1.2：将处理后的多通道脑电信号转换为特定格式的矩阵编码。将不同时间片段的信号数据以二维矩阵形式存储，每一行代表一个时间窗口内的信号特征，每一列代表一个通道的信号数据。
12、本发明技术方案的进一步改进在于：s1.1，对眼电、心电、肌电等进行伪迹识别与剔除。具体包括以下步骤：
13、s1.1.1：根据自闭症患者可能在特定频带内展现出不同的活动模式，将eeg信号分解到特定的频带，delta(0.5-4hz)、theta(4-8hz)、alpha(8-13hz)、beta(13-30hz)和gamma(30-100hz)。对每个频带的信号计算希尔伯特变换，得到信号的振幅包络。
14、s1.1.2：计算每个频段内的振幅包络的快速谱峭度，作为调制深度的指标。对调制深度的时间序列计算熵值，来衡量调制深度的不确定性和复杂性。从而设定阈值。
15、s1.1.3：根据调制深度熵值的分布得到信号变化的不规则程度，自适应调整滤波器参数，包括滤波器的阶数和带宽，以达到最佳的伪迹抑制效果。如果熵值过高，表示可能存在伪迹或噪声，适当增加滤波器的阶数或缩小带宽。如果熵值过低，表示信号可能被过度平滑，适当减少滤波器的阶数或扩大带宽。通过多次迭代，使熵值逐步逼近理想范围，实现滤波器参数的最优设置。
16、s1.1.4：结合滤波后的信号和未标记为伪迹的原始信号，重建eeg信号。
17、本发明技术方案的进一步改进在于：s2中基于混合型融合网络的脑电特征提取，具体包括以下步骤：
18、s2.1：设计基于并行膨胀卷积分支的inception模块，每个分支可以捕获不同尺度的脑电特征信息，增加网络对于局部和全局特征的捕捉能力。分支1中选用1*1的卷积核，主要用于特征降维和特征通道的整合。分支2主要选用3*3的卷积核，膨胀率为1，用于捕捉较小区域的特征。分支3主要选用3*3的卷积核，膨胀率为2，覆盖更广的区域，保留细节的同时增加感受野。分支4主要选用5*5的卷积核，膨胀率为2，进一步扩大感受野，适用于捕捉更大范围的空间特征。模型中宽广的特征用于基础的自闭症诊断，而精细的特征用于评估自闭症的严重程度。
19、s2.2：融合inception模块和bigru模块特征，inception模块用于捕获空间特征，bigru单元用于捕获时序特征，从而提高特征提取的多样性和有效性。
20、本发明技术方案的进一步改进在于：s2.2中，设计一个混合门控单元融合inception模块和bigru模块。包括以下步骤：
21、s2.2.1：模型接收inception模块和bigru模块输出的特征，作为门控单元的输入，然后基于卷积层产生两个门控系数，决定来自每个模块的特征在最终输出中的权重。
22、s2.2.2：基于加权融合来实现inception模块和bigru模块的特征，增强模型对eeg信号的识别和分析能力。可表示为：
23、
24、finc和fgru分别表示inception模块和bigru模块的特征输出，ginc和ggru分别表示对应的门控系数。f表示融合后的特征。
25、本发明技术方案的进一步改进在于：s3中，基于知识蒸馏的多任务处理模块设计。具体包括以下步骤：
26、s3.1：通过二分类模型实现自闭症的诊断，损失函数采用交叉熵函数，可表示为：
27、
28、其中，y是真实标签(0或1)，是模型预测的概率。
29、s3.2：通过回归模型实现自闭症的严重程度评估，损失函数采用均方误差函数，可表示为：
30、
31、c是自闭症严重程度类别的总数，yi是真实评分值，是模型预测值。
32、s3.3：基于知识蒸馏方法，促进自闭症诊断这一基础任务通过严重程度评估这一高级任务学到的复杂模式来提升性能。可表示为：
33、ldistill＝α·sinilarity(zhigh,zbase)
34、zhigh是严重程度的回归预测逻辑输出，zbase是自闭症诊断二分类任务的逻辑输出。α是调节系数，通过将这两种损失函数结合，模型可以在执行自闭症诊断二分类任务的同时，利用从严重程度评估中得到的更复杂和细致的信息来提高其表现，从而提高整个模型的整体学习效率和精度。
35、本发明技术方案的进一步改进在于：s4中损失函数优化设计，具体包括以下步骤：
36、s4.1：为不同部分的损失函数分配初始权重，β，γ，并将损失函数表示为：
37、ltotal＝ldiagnosis+βlseverity+γldistill
38、s4.2：基于优化算法对模型进行更新学习，自适应调整损失函数的权重。
39、本发明技术方案的进一步改进在于：s5中选取损失函数最小的模型权重载入网络，测试其诊断精度与自闭症严重程度评估。
40、由于采用了上述技术方案，本发明取得的技术进步是：
41、本技术设计了一种基于深度调制熵引导的自适应滤波技术，实现脑电信号特性的自适应滤波和伪迹剔除。该方法允许针对不同频带的特征进行细化分析，能够根据脑电信号的复杂性和不规则性动态调整滤波器参数，优化伪迹剔除效果。
42、本技术设计了基于门控单元的inception-bigru混合神经网络，能够同时捕捉脑电信号的空间特征和时序特性，并通过门控系数调整每个模块的特征权重，从而提高特征提取的多样性和有效性。
43、本技术设计了基于知识蒸馏的多任务处理模块，利用从严重程度评估中得到的更复杂和细致的信息来优化自闭症诊断的基础任务处理，提高模型的整体学习效率。
1.一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于包括以下步骤：
2.根据权利要求1所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s1中构造基于调制深度熵引导的自适应滤波技术对脑电信号进行伪迹剔除，并进行矩阵编码，具体包括以下步骤：
3.根据权利要求2所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s1.1中对眼电、心电、肌电等进行伪迹识别与剔除，具体包括以下步骤：
4.根据权利要求1所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s2中基于混合型融合网络的脑电特征提取，具体包括以下步骤：
5.根据权利要求4所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s2.2中设计一个基于混合门控单元融合的inception-bigru模块，包括以下步骤：
6.根据权利要求1所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s3中基于知识蒸馏的多任务处理模块设计，具体包括以下步骤：
7.根据权利要求1所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s4中损失函数优化设计，具体包括以下步骤：
8.根据权利要求1所述的一种基于多任务学习网络的自闭症诊断及严重程度评估方法，其特征在于：s5中选取损失函数最小的模型权重载入网络，对测试集数据进行自闭症的诊断与严重程度评估。
